Conjunto de testes para implementação de sistema de reconhecimento de cariótipos
🔬 Explorando abordagens computacionais para análise automatizada de cariótipos
Repositório dedicado ao estudo e implementação de técnicas de visão computacional e aprendizado profundo para reconhecimento e classificação de cariótipos humanos.
Foram testados quatro diferentes abordagens de implementação:
- OpenCV: Processamento de imagem tradicional
- Sam (Meta): Segmentação avançada de Objetos
- VGG16: Classificação baseada em redes convolucionais
- YoloV10: Detecção de objetos com YOLOv10
Os testes de implementação foram realizados com base em experimentos com o projeto ITChromo e bancos de dados públicos de citogenética.
- Pré-processamento de imagens de cariótipos
- Filtros para realce de bandas cromossômicas
- Técnicas de thresholding e contorno
- Classificação baseada em morfologia
📌 Vantagens: O método se mostra ser mais leve computcionalmente e de fácil prototipagem.
⚠ Desafios: Baixa robustez e muito limitado para cariótipos complexos
- Segmentação zero-shot de cromossomos
- Aplicação direta em imagens complexas
- Possibilidade de integração com alguns classificadores personalizados
📌 Vantagens: Maior poder de segmentação de objetos. ⚠ Desafios: Requer um maior poder computacional e comete certos erros.
- Uso de rede neural convolucional profunda (CNN)
- Extração de características cromossômicas e bounding boxes
- Classificação supervisada por pares cromossômicos
- Treinamento com imagens segmentadas ou "cropadas"
📌 Vantagens: Bom desempenho com dados balanceados e bem preparados ⚠ Desafios: Maior dificuldade de implementação e exige maior esforço de pré-processamento/tuning
- Detecção individual de cromossomos
- Treinamento com conjunto de dados anotados
- Comparação entre YOLOv8 e v10
- Pós-processamento para ordenação
📌 Vantagens: Possui maior precisão para objetos distintos
⚠ Desafios: Requer grande conjunto de dados anotados e ALTÍSSIMO custo computacional
.
├── OpenCV_demos/ # teste de implementação com o OpenCV
├── SAM2_demos/ # teste de implementação com o SAM2
├── VGG16_demos/ # teste de implementação com o VGG16
├── datasets/ # Datasets utilizados
├── pesquisas.md # Compilado de pesquisas sobre o tema
└── README.md # Este documento